生成对抗网络（GAN）是一种先进的机器学习方法，已被广泛应用于从文本生成图像、超分辨率和让机器人学习抓取物体等任务中。但 GAN 的出现也引入了新的理论，为软件工程带来了新的挑战，我们很难跟上 GAN 研究的快速步伐。
为使开发者更轻松地使用 GAN 进行实验，谷歌最近开源了 TFGAN，一个实现轻松训练和评估 GAN 的轻量级库。它为开发者轻松训练 GAN 提供了基础条件，提供经过完整测试的损失函数和评估指标，同时提供易于使用的范例，这些范例展示了 TFGAN 的表达能力和灵活性。谷歌还发布了一个包含高级 API 的教程，帮助人们快速上手，使用自己的数据训练模型。
TFGAN 由以下几个独立存在的部分组成：
核心：提供训练 GAN 所需的主要基础设施。训练分四个阶段进行，每个阶段都可以通过自定义代码或使用 TFGAN 库调用来完成。
功能：很多常见的 GAN 操作和归一化技术可供使用，包括实例归一化和条件化（conditioning）。
损失：允许轻松利用已实现且经过完整测试的损失和惩罚机制进行实验，如 Wasserstein 损失、梯度惩罚、互信息惩罚等。
评估：使用 Inception Score 或 Frechet Distance 与预训练的 Inception 网络评估无条件生成模型。你还可以使用自己的预训练分类器获得更加具体的结果，或使用其他方法对条件生成模型进行评估。
示例和教程：从示例中可以学习如何使用 TFGAN 让 GAN 训练变得更简单，你也可以参考更复杂的示例来启动自己的项目。这些内容包括无条件和条件 GAN、InfoGAN、现有网络的对抗损失，以及图像到图像翻译。
